Étiquette : IA

Cartographie plus précise de la banquise // More accurate mapping of the sea ice

Un nouvel outil puissant, à base d’intelligence artificielle, est capable de prévoir les changements intervenus dans la banquise arctique jusqu’à un an à l’avance. Cela permettra aux entreprises de planifier des voies de navigation plus sures tout en protégeant l’un des endroits les plus fragiles de la planète.
Une équipe scientifique de l’Institut national des sciences et technologies d’Ulsan a créé un modèle d’IA qui indique la quantité de glace qui recouvrira des zones spécifiques de l’océan Arctique avec une précision remarquable : moins de 6 % d’erreur sur une année entière. C’est deux fois mieux que les anciennes méthodes de prévision.
Le secret réside dans un système informatique intelligent baptisé UNET qui s’appuie sur les modèles de glace passés et les données météorologiques, notamment la température de l’air, la température de l’eau, la lumière du soleil et le vent. Le principe est le même que pour une prévision météorologique, mais concerne de la glace au lieu de la pluie. En étudiant ces modèles au fil du temps, l’IA est capable de repérer des tendances que les chercheurs humains ont pu négliger.
La glace arctique devient de plus en plus difficile à prévoir avec la hausse des températures. Lors des principales fontes de cette glace en 2007 et 2012, la nouvelle IA a affiché la même précision avec seulement 7 % d’erreur, alors que les outils précédents ont connu un niveau d’erreur supérieur à 17 % pendant ces périodes critiques. Cela signifie que les navires peuvent désormais naviguer avec plus de sécurité, même dans des conditions imprévisibles.
L’équipe scientifique a fait une découverte intéressante : le soleil et le vent ont des effets significatifs sur les zones de glace les plus minces. Cette étude devrait résoudre les limites des modèles traditionnels basés sur la physique en explorant l’interaction complexe de divers facteurs environnementaux qui ont un impact sur les changements de la glace de mer arctique. En conséquence, ces résultats rendront la navigation dans l’Arctique plus sûre et plus intelligente tout en fournissant aux dirigeants de meilleures données pour protéger cette région sensible. Les entreprises peuvent désormais prévoir des itinéraires sans glace des mois à l’avance, réduisant ainsi la consommation de carburant et aidant les navires à éviter les zones dangereuses. Cela signifie que moins de navires seront bloqués, moins de carburant sera brûlé et on aura une meilleure protection de la faune arctique.

Cette technologie est prête à l’emploi ; elle offre aux scientifiques et aux compagnies de transport maritime une image plus claire de ce qui se passe dans cette partie du globe. Cela signifie des voyages plus sûrs, une meilleure planification et des choix plus intelligents pour protéger l’avenir de l’Arctique.
Source : Yahoo Actualités.

Photo: C. Grandpey

————————————————-

A powerful new artificial intelligence tool can predict changes in Arctic sea ice up to a year ahead of time, helping companies plan safer shipping routes while protecting one of Earth’s most fragile places.

A scientific team at the Ulsan National Institute of Science and Technology has created an AI model that tells us how much ice will cover specific areas of the Arctic Ocean with remarkable accuracy (less than 6% error across an entire year). That’s twice as precise as older prediction methods.

The secret lies with a smart computer system called UNET that learns from past ice patterns and weather data, including air temperature, water temperature, sunlight, and wind. It is like a weather forecast but for ice coverage instead of rain. By studying these patterns over time, the AI can spot trends that human researchers might miss.

Arctic ice is getting harder to predict as temperatures rise. During major ice melts in 2007 and 2012, the new AI stayed steady with just 7% error. Previous tools struggled with errors over 17% during these critical periods. This means ships can now navigate more confidently, even during unpredictable conditions.

The team discovered something interesting: Sunshine and wind have outsize effects on thinner ice areas. This study is said to solve the limitations of traditional physics-based models by exploring the complex interplay of various environmental factors that impact changes in Arctic sea ice. As a result, these findings will make Arctic shipping safer and smarter while giving leaders better data to protect this sensitive region. Companies can now map out ice-free routes months ahead, reducing fuel waste and helping ships avoid dangerous areas. This means fewer ships getting stuck, less fuel burned, and better protection for Arctic wildlife.

This technology is ready to use, giving scientists and shipping companies a clearer picture of what’s happening at the top of our planet. This means safer travel, better planning, and more intelligent choices for protecting the Arctic’s future.

Source : Yahoo News.

L’Intelligence Artificielle au service de la volcanologie (suite) // Artificial Intelligence in the service of volcanology (continued)

L’intelligence artificielle (IA) est de plus en plus utilisée en sismologie et en volcanologie où elle pourrait contribuer à la prévision des séismes et des éruptions, événements parfois destructeurs. J’ai publié une note le 28 juillet 2024 expliquant comment les scientifiques utilisent l’IA. J’ai également ajouté que son utilisation dans la prévision volcanique et pour d’autres phénomènes naturels semble prometteuse. Cependant, il faut garder à l’esprit que l’intelligence artificielle relève des sciences exactes, tandis que les éruptions dépendent des caprices de la Nature, qui peuvent être imprévisibles !
Un nouvel article publié par des chercheurs de l’Université de Canterbury (Nouvelle-Zélande) explique qu’ils utilisent un nouvel outil, développé grâce à l’intelligence artificielle (IA), pour améliorer la prévision des éruptions volcaniques dans le monde.
L’équipe scientifique de l’Université de Canterbury a créé un modèle d’apprentissage automatique (machine learning, ML) capable d’identifier les premiers signes sismiques d’éruptions volcaniques. L’étude a analysé 41 éruptions sur 24 volcans sur une période de 73 ans. Cela a donné naissance à des schémas d’activité sismique pré-éruptive pouvant être appliqués à des volcans moins surveillés.
Les chercheurs ont introduit une technique d’apprentissage automatique appelée « apprentissage par transfert » (transfer learning, TL), qui identifie les signaux précurseurs communs à plusieurs volcans. Cette approche permet de prévoir les éruptions sur des sites où les instruments de mesure sont rares, voire inexistants. Les chercheurs affirment que leur méthode offre une solution rentable et évolutive pour améliorer les prévisions concernant les volcans dépourvus de surveillance ou mal surveillés.
Le modèle basé sur l’IA vise également à venir en aide aux régions disposant d’infrastructures de surveillance limitées, comme l’Asie du Sud-Est et l’Amérique centrale, où de nombreux volcans actifs restent sous-étudiés.
L’équipe de recherche a collaboré avec des observatoires volcaniques à travers le monde pour garantir que le modèle de prévision fournisse des données exploitables. Cette approche collaborative permet une intégration transparente avec les cadres de surveillance volcanique existants.
Les scientifiques de l’Université de Canterbury ont analysé 41 éruptions volcaniques sur 24 volcans différents, couvrant 73 années de données sismiques. Ils ont classé les volcans en trois groupes selon leur type éruptif : magmatiques, phréatiques et un groupe incluant tous les volcans. Le modèle ML a utilisé une fenêtre de données sismiques de 48 heures précédant les éruptions pour tester les modèles de prévision. Les résultats ont été évalués par un processus de validation croisée, reproduisant les conditions de prévision en temps réel.
La comparaison avec les méthodes de prévision traditionnelles, telles que la mesure de l’amplitude sismique en temps réel (RSAM), a révélé que le modèle ML était plus performant que les techniques conventionnelles. Il a notamment démontré une meilleure sensibilité à l’activité pré-éruptive pour les éruptions phréatiques.
Certains volcans, comme le Copahue, ont affiché des valeurs de prévision constamment élevées entre des éruptions rapprochées, ce qui pourrait nécessiter une amélioration du modèle. Les éruptions non annoncées, comme celle de Cordon-Caulle en 2011, ont présenté des limites en termes de prévision en raison de la faiblesse des signaux sismiques pré-éruptifs. Les améliorations pourraient inclure l’intégration des niveaux d’émissions gazeuses, des anomalies thermiques et des données magnétotelluriques dans les modèles de prévision. Les chercheurs prévoient également d’affiner la capacité du modèle à distinguer différents types d’activité volcanique, comme les éruptions à conduit ouvert et fermé.
Source : Université de Canterbury.

Éruption du Copahue en 2013 (Crédit photo: SERNAGEOMIN)

——————————————————

Articicial intelligence (AI)is more and more used in seismology and volcanology, with the hope that it will help precict earthquakes and eruptions that can sometimes be destructive.I wrote a post on 28 July 2024 explaining how scientists are using AI, but I also added that the use of artificial intelligence in volcanic prediction and the prediction of other natural phenomena looks promising. However, one should keep in mind that artificial intelligence is part of exact science whereas eruptions depend on Nature’s whims which can be unpredictable !

A new article by researchers at the University of Canterbury (New Zealand) has resulted in a new tool, developed using artificial intelligence (AI), to improve the prediction of volcanic eruptions worldwide.

The University of Canterbury research team has created a machine-learning (ML) model capable of identifying early seismic warning signs of volcanic eruptions. The study analyzed 41 eruptions across 24 volcanoes over 73 years, revealing patterns in pre-eruption seismic activity that can be applied to less-monitored volcanoes.

The research introduces an ML technique known as transfer learning, which identifies shared precursor signals across multiple volcanoes. The approach allows for forecasting eruptions at sites with little to no prior instrumental eruption records. The researchers say that their method provides a cost-effective and scalable solution for improving forecasting at under-monitored volcanoes.

The AI-based model also aims to support regions with limited monitoring infrastructure, such as Southeast Asia and Central America, where many active volcanoes remain understudied.

The research team worked alongside international volcano observatories to ensure the forecasting model provides actionable data. The collaborative approach enables seamless integration with existing volcanic monitoring frameworks.

The scientists analyzed 41 volcanic eruptions from 24 different volcanoes, spanning 73 years of seismic data. The researchers categorized volcanoes into three groups based on eruption type: magmatic, phreatic, and a global pool that included all volcanoes. The ML model used a 48-hour window of seismic data leading up to eruptions to train forecasting models The model’s performance was assessed through a cross-validation process mimicking real-time forecasting conditions.

Comparisons with traditional forecasting methods, such as Real-Time Seismic Amplitude Measurement (RSAM), revealed that the ML model outperformed conventional techniques. In particular, the model demonstrated better sensitivity to pre-eruptive activity for phreatic eruptions.

Some volcanoes, such as Copahue, displayed consistently high forecasting values between closely spaced eruptions, which may require further refinement of the model. Unheralded eruptions, such as the 2011 Cordon Caulle event, presented limitations in forecasting capabilities because of weak pre-eruption seismic signals.

Future improvements may include incorporating gas emission rates, thermal anomalies, and magnetotelluric data into the forecasting models. The researchers also plan to refine the model’s ability to distinguish between different types of volcanic activity, such as open versus closed conduit eruptions.

Source : University of Canterbury.

https://www.canterbury.ac.nz/

Le déchiffrage des papyrus d’Herculanum (suite) // Deciphering the Herculaneum papyri (continued)

J’ai écrit dans plusieurs notes sur ce blog que les scientifiques espèrent pouvoir utiliser à la fois l’intelligence artificielle et l’expertise humaine pour essayer de déchiffrer d’anciens rouleaux de papyrus carbonisés par l’éruption du Vésuve en 79 après J.-C. Des centaines de rouleaux ont été découverts dans les années 1750 dans les vestiges de la Villa des Papyrus, une somptueuse villa à Herculanum. La bibliothèque de la Villa pourrait considérablement enrichir nos connaissances de la pensée antique si les rouleaux pouvaient être déchiffrés.

Photo: C. Grandpey

Depuis plus de 250 ans, les chercheurs et les scientifiques travaillent sur les moyens de déchiffrer les rouleaux, dont la grande majorité est conservée à la Bibliothèque nationale de Naples.
Depuis 2023, un concours, le « Vesuvius Challenge », offre des récompenses en espèces aux chercheurs qui parviendraient à déchiffrer les rouleaux grâce aux nouvelles technologies.
Le 5 février 2025, une « avancée historique » a été annoncée : les chercheurs avaient réussi à générer la première image de l’intérieur de l’un des trois rouleaux conservés à la Bodleian Library de l’Université d’Oxford. Le cofondateur du Vesuvius Challenge a déclaré que les organisateurs étaient « enthousiastes devant l’imagerie réussie de ce rouleau. […] Il contient plus de texte récupérable que nous n’en avons jamais vu dans un rouleau d’Herculanum. »
Le rouleau a été numérisé par Diamond Light Source, un laboratoire de Harwell, près d’Oxford, qui utilise un accélérateur de particules, le synchrotron, pour créer un rayon X extrêmement puissant. Les scientifiques ont ensuite utilisé l’IA pour reconstituer les images, rechercher l’encre qui révèle où il y a de l’écriture, et améliorer la clarté du texte. Le processus a permis d’obtenir une image 3D du parchemin. Elle a permis aux scientifiques de le dérouler virtuellement, en utilisant un processus baptisé ‘segmentation’ .
Cependant, l’IA a ses limites. Seules quelques parties du texte ont été déchiffrées jusqu’à présent. L’un des rares mots à avoir été déchiffré est le mot grec ancien pour « dégoût ». L’un des chercheurs a déclaré : « Nous sommes encore au début d’un long processus. Nous avons besoin de meilleures images, et nous sommes très positifs et très confiants quant au fait que nous pouvons encore améliorer la qualité de l’image et la lisibilité du texte. »

Source :presse internationale.

Cette image montre une radiographie d’une partie du papyrus PHerc.172, montrant le mot « dégoût ». C’est l’un des parchemins, trouvés avec des centaines d’autres, parmi les vestiges d’une somptueuse villa à Herculanum; elle a probablement appartenu à Pison, beau-père de Jules César. (Source : Vesuvius Challenge)

———————————————————

I have written in several posts that scientists hope to use a mix of artificial intelligence and human expertise to decipher ancient papyrus scrolls carbonized by the eruption of Mount Vesuvius in 79 A.D. Hundreds of scrolls were found in the 1750s in the remains of the Villa of the Papyri, a lavish villa at Herculaneum. The library the Villa has the potential to add immeasurably to knowledge of ancient thought if the scrolls could be read.

Scholars and scientists have worked for more than 250 years on ways to decipher the scrolls, the vast majority of which are held in the National Library of Naples.

In 2023, a scientific competition, the “Vesuvius Challenge”, offered cash rewards for efforts to decipher the scrolls with the new technologies.

On February 5th, 2025,, the challenge announced a “historic breakthrough,” saying researchers had managed to generate the first image of the inside of one of the three scrolls held at Oxford University’s Bodleian Library. The co-founder of the Vesuvius Challenge said the organizers were “thrilled with the successful imaging of this scroll. […] It contains more recoverable text than we have ever seen in a scanned Herculaneum scroll.”

The scroll was scanned by Diamond Light Source, a lab at Harwell, near Oxford, that uses a particle accelerator known as a synchrotron to create an intensely powerful X-ray. Scientists then used AI to piece together the images, search for ink that reveals where there is writing, and enhance the clarity of the text. The process led to a 3D image of the scroll that allowed experts to unroll it virtually, using a process called segmentation.

However, AI has its limits. Little of the text has been deciphered so far. One of the few words that has been made out is the ancient Greek for “disgust.” One of the researchers said : “We are still at the beginning of a long process. We need better images, and we are very positive and very confident that we can still improve the image quality and the legibility of the text.”

Source : international news media.

L’intelligence artificielle (IA) au service de la prévision sismique // Artificial Intelligence (AI) to help seismic prediction

La prévision sismique reste aujourd’hui l’un des maillons faibles de la science. Force est de constater que nous ne savons pas prévoir les séismes. Chaque fois que de puissantes secousses se produisent, le nombre de victimes est très élevé et les dégâts matériels sont souvent considérables.

Nous connaissons la plupart des zones où les séismes les plus puissants sont susceptibles de se produire, mais notre connaissance sismique s’arrête là. Pourtant, une zone sensible comme la Californie avec la Faille de San Andreas est truffée de sismographes qui fournissent une foule d’informations, mais nous ne savons pas suffisamment les interpréter pour éviter des catastrophes.

Il se pourrait qu’avec l’avènement de l’Intelligence Artificielle (IA) des progrès soient accomplis rapidement en matière de prévision. Le numéro de novembre 2024 du National Geographic raconte l’histoire de Zachary Ross, professeur adjoint de géophysique à l’Institut de Technologie (Caltech) de Californie.

Zachary Ross a cherché une nouvelle approche d’interprétation des signaux sismiques californiens. Il avait remarqué que la majorité des failles dans cet État génèrent de minuscules secousses et des ondes sismiques tellement faibles qu’elles sont difficilement décelables par l’Homme.

En 2017, le scientifique eut l’idée de transposer à la sismologie la technique du machine learning ou apprentiisage automatique utilisée pour l’IA, en particulier pour la gestion de grandes quantités de photos. Il s’est proposé de l’appliquer aux innombrables microséismes, parfois difficilement détectables, mais probablement révélateurs au niveau des failles, enregistrés en Californie.

Avec ses collègues, Zachary Ross a collecté tous les sismogrammes obtenus dans le sud de l’État. Il a ensuite établi des modèles d’ondes sismiques pour chacun d’entre eux et passé ces données au crible d’un algorithme pour qu’il recherche des secousses imperceptibles correspondant à ces modèles. Le résultat a révélé que près de deux millions de séismes survenus entre 2008 et 2017 – et non détectés – ont été identifiés par l’algorithme. Cela a permis de mettre en évidence un réseau complexe de failles qui n’avait pas été décelé jusqu’alors. Toutefois, l’algorithme n’a pu discerner des séismes que dans les données qu’il avait appris à reconnaître.

Zachary Ross s’est alors tourné vers des programmes de self-learning – ou auto-apprentissage – autrement dit des programmes se servant d’informations existantes pour prédire l’avenir, c’est à dire les ondes que pourrait émettre une plus grande variété de séismes. Ces outils ont effectivement repéré une foule de séismes méconnus, mais confirmés par les scientifiques.

Ces programmes d’auto-apprentissage ne se contentent pas d’identifier les séismes indétectables par l’Homme et les failles cachées. Une fois déployés à travers la Californie, ils ont révélé une nouvelle catégorie d’essaims sismiques à propagation lente.

On peut raisonnablement penser que ces programmes de machine learning, de plus en plus précis, donneront bientôt un aperçu plus précis de la croûte terrestre. Peut-être permettront ils d’améliorer la rapidité et l’exactitude des systèmes d’alerte précoce. Ils rejoindront inévitablement une gamme de plus en plus fournie d’outils reposant sur l’IA pour que les catastrophes sismiques soient moins destructrices.

Il reste toutefois un long chemin à parcourir avant que les humains et l’IA parviennent ensemble à une prévision sismique digne de ce nom.

Adapté d’un article paru dans le National Geographic France.

Région tourmentée de la Faille de San Andreas (Photos: C. Grandpey)

————————————————-

Earthquake prediction remains one of the weak points in science today. Indeed, we are not able to predict earthquakes. Every time powerful tremors occur, the number of victims is very high and the material damage is often considerable.
We know most of the areas where the most powerful earthquakes are likely to occur, but our seismic knowledge does not go any further. A sensitive area like California with the San Andreas Fault is full of seismographs that provide a wealth of information, but we do not know how to interpret them to avoid disasters.
It is possible that with the advent of Artificial Intelligence (AI), progress will be made quickly in terms of prediction. The November 2024 issue of National Geographic tells the story of Zachary Ross, an assistant professor of geophysics at the California Institute of Technology (Caltech).
Zachary Ross was looking for a new approach to interpreting Californian seismic signals. He had noticed that most of the faults in this State generate tiny tremors and seismic waves so weak that they are difficult to detect by humans.
In 2017, the scientist had the idea of ​​transposing to seismology the machine learning technique used for AI, in particular for the management of large quantities of photos. He proposed to apply it to the countless microseisms, sometimes difficult to detect, but probably revealing at the level of the faults, recorded in California.
With his colleagues, Zachary Ross collected all the seismograms recorded in the southern part of the State. He then established seismic wave patterns for each of them and ran the data through an algorithm to look for imperceptible tremors that matched those patterns. The result was that nearly two million earthquakes that had occurred between 2008 and 2017—and had not been detected—were identified by the algorithm. This revealed a complex network of faults that had previously gone undetected. However, the algorithm could only discern earthquakes in data that it had learned to recognize.
Zachary Ross then turned to self-learning programs – programs that use existing information to predict the future, that is, the waves that a wider variety of earthquakes might emit. These tools did indeed detect a host of unknown earthquakes, but that scientists confirmed.
These self-learning programs don’t just identify earthquakes that humans can’t detect and hidden faults. When deployed across California, they revealed a new class of slow-moving seismic swarms.
It’s reasonable to assume that these increasingly accurate machine learning programs will soon provide a more precise view of the Earth’s crust. Perhaps they will help improve the speed and accuracy of early warning systems. They will inevitably join a growing range of AI-powered tools to make seismic disasters less destructive.
However, there’s still a long way to go before humans and AI can work together to predict earthquakes.
Adapted from an article in National Geographic France.